KDDJun, 2022

ProActive: 用于活动序列的自我关注时序点过程流

PDF
TL;DRProActive 是一种神经标记的时间点过程 (MTPP) 框架，用于对活动序列中行动的连续时间分布进行建模，同时解决了下一步行动预测，序列目标预测和端到端序列生成等高影响问题。使用自关注模块进行建模，以及附带较少的行动数量来预测序列目标。在三个活动识别数据集上的广泛实验表明，ProActive 在行动和目标预测方面的准确性显着提高，并首次应用了端到端行动序列生成。
neural marked temporal point processactivity sequencegoal predictionend-to-end sequence generationself-attention module
发现论文，激发创造
  • 时间和动作的织锦：使用时间点过程流模型人类活动序列

    ProActive 是一个神经标记的时间点过程（MTPP）框架，用于对活动序列中的动作进行连续时间建模，同时解决了下一个动作预测、序列目标预测和端到端序列生成三个高影响问题。

    Jul, 2023

  • 基于神经网络的时间点过程的元学习

    提出了一种用于周期性感知预测短序列未来事件的元学习方法，通过点过程建模和时间周期模式考虑来提高事件预测性能。

    Jan, 2024

  • 基于预设增强的时间点过程的流事件序列

    在实时场景下，持续监测神经时序点过程（TPP）以学习流式事件序列是一个重要且尚未深入研究的问题。本文提出了一种简单而有效的框架 PromptTPP 来解决这一挑战，通过将基础 TPP 与连续时间检索提示池集成，使得模型能够在不缓存过去的例子或任务特定属性的情况下连续学习事件流。针对建模事件流的实验性设置，PromptTPP 在三个真实用户行为数据集上持续达到最先进的性能。

    Oct, 2023

  • 学习时间点过程用于连续时间事件序列的高效检索

    我们提出了 NEUROSEQRET，它可以学习检索和排名相关连续时间事件序列的集合，以解决连续时间事件序列的检索问题，并使用 MTPP 引导神经相关模型，以及使用二元序列嵌入的优化框架来进行哈希，从而获得显着的速度优化。

    Feb, 2022

  • 神经时空点过程：综述

    该文章综述了有关神经时间点过程的现有知识，讨论了神经时间点过程的设计选择、通用原则和应用领域，并列出了该领域未来工作的重要方向和挑战。

    Apr, 2021

  • 元时点过程

    本文提出了将时间点过程 (TPP) 作为神经过程 (NP) 的一个实例，并将其训练于元学习框架中，使用上下文集来建模 TPP，引入了本地历史匹配来帮助学习更丰富的特征，并在公共基准数据集和任务上展示了该方法的潜力。

    Jan, 2023

  • TTPP: 时间变形器及渐进式预测，用于高效行动预测

    本文提出一个名为 TTPP 的框架，使用 Transformer 风格的架构，通过汇总观察到的特征，并利用轻量的网络逐步预测未来的特征和行动，来解决当前流行的基于循环神经网络的视频行动预测模型中无法有效捕获长期信息的缺点，在三个数据集上的广泛结果表明，TTPP 不仅胜过现有技术方法，而且更有效。

    Mar, 2020

  • 神经时间点过程模型对连续时间事件数据的预测准确性

    本文提出了一种综合性大规模实验研究，在系统评估现有神经 TPP 模型的预测准确性、事件编码等关键环节的影响基础上，深入分析了人们对这种模型标记分布不正确的情况存在的认识片面问题，并提供了有效的解决方案。

    Jun, 2023

  • 使用三角形映射的快速灵活时空点过程

    TriTPP 基于 normalizing flows 设计出的新的无序 TPP 模型，具有与基于 RNN 的方法相同的灵活性，但允许快速采样，可用于离散状态系统中的变分推断。在合成和现实世界数据集上展示了所提出框架的优点。

    Jun, 2020

  • 事件序列预测的交互扩散过程

    我们提出了一种使用扩散生成模型的新方法，该模型能够预测基于历史事件序列的多步预测，并学习多个事件类型的类型和时间间隔的联合概率分布，以实现对长时间跨度的预测。

    Oct, 2023